Resumen

Consideramos el problema de reconstruir estímulos de energía finita codificados con una población de neuronas de integración y disparo con fugas. La señal reconstruida satisface una condición de consistencia: cuando pasa por la misma neurona, desencadena el mismo tren de espigas que el estímulo original. El estímulo recuperado también tiene que minimizar un criterio de optimización de suavidad cuadrática. Formulamos la reconstrucción como un problema de interpolación spline para estímulos tanto escalares como vectoriales y mostramos que la recuperación tiene una solución única. Proporcionamos algoritmos de reconstrucción explícitos para estímulos codificados con una sola neurona o con una población de neuronas de integración y disparo. Demostramos cómo nuestros algoritmos de reconstrucción pueden aplicarse a estímulos codificados con circuitos neuronales ON-OFF con retroalimentación. Por último, extendemos el formalismo a los circuitos neuronales de múltiples entradas y salidas y demostramos que las señales de energía finita con valor vectorial pueden ser codificadas eficientemente por una población neuronal siempre que su tamaño sea superior a un valor umbral. Se dan ejemplos que demuestran las posibles aplicaciones de nuestra metodología a la neurociencia de sistemas y a la ingeniería neuromórfica.

• Materias:Inteligencia artificial Sistema nervioso Imágenes diagnósticas Neurociencia Cognitiva Trastornos mentales
• Subjects:Artificial intelligence Nervous systems Diagnostic imaging Cognitive Neuroscience Mental disorders
• Palabras claves:neuronas de fuego, problema de interpolación spline, criterios de optimización de suavidad, señal de energía finita, estímulo de energía finita, algoritmo de reconstrucción explícita, circuito neuronal de salida, valor umbral, ingeniería neuromórfica, estímulo valorado
• Keywords:fire neurons, spline interpolation problem, smoothness optimality criteria, finite energy signal, finite energy stimulus, explicit reconstruction algorithm, output neural circuit, threshold value, neuromorphic engineering, valued stimulus